Pendampingan pengajuan hak kekayaan intelektual bagi komunitas seni dan kajian penerapan machine learning dalam proses verifikasi novelty karya seni lukis

Nursyiva Irsalinda, Sugiyarto Sugiyarto, Moh. Rusnoto Susanto

Abstract


Sosialisasi Hak Kekayaan Intelektual (HKI) perlu dilakukan bagi seluruh pelaku kreatif tak terkecuali seniman untuk melindungi hasil karyanya dari plagiarisme yang mudah dilakukan seiring dengan perkembangan teknologi saat ini. Meski demikian, banyak seniman khususnya seni lukis abai mengenai HKI atas karya yang telah dihasilkan. Mereka hanya fokus pada proses pemasaran dan pameran hasil karya. Hal ini disebabkan oleh kurangnya pemahaman mengenai pentingnya HKI dan bagaimana proses pengajuan HKI tersebut. Oleh karena itu Program Studi Matematika FAST UAD menyelenggarakan kegiatan pendampingan penyusunan dan pengajuan draft pengakuan hukum atas karya seni bagi seniman-seniman yang tergabung dalam komunitas pekerja seni lukis. Untuk mencapai tujuan pendampingan yaitu meningkatnya pemahaman para seniman tentang pentingnya HKI dan proses pengajuannya pelaksanaan kegiatan dimulai dengan diskusi bersama pengurus, sosialisasi HKI dalam prespektif ekonomi dan teknologi jangka panjang kepada seniman-seniman, dan dilanjutkan dengan pelatihan dan workshop pengajuan HKI Adapun luaran dari pendampingan ini adalah terbitnya sertifikat HKI dari beberapa karya seni serta hasil kajian penerapan Machine Learning dalam pengenalan pola karya seni lukis sebagai salah satu verifikasi novelty dalam proses pengajuan HKI.

Keywords


HKI, Karya seni, Machine Learning, Novelty

Full Text:

PDF

References


Abbas, A. K., Al-haideri , N. A., dan Bashikh, A. A. (2019). Implementing artificial neural networks and support vector machines to predict lost circulation. Egypt. J. Pet., vol. 28, no. 4, pp. 339–347. doi: 10.1016/j.ejpe.2019.06.006.

Ali, M. M. H., Yannawar, P. L. dan Gaikwad, A. T. (2017). Multi-Algorithm of Palmprint Recognition System Based on Fusion of Local Binary Pattern and Two-Dimensional Locality Preserving Projection. Procedia Comput. Sci., vol. 115, pp. 482–492, 2017, doi: 10.1016/j.procs.2017.09.091.

Ay, M., Stenger,D., Schwenzer, M., Abel, D., dan Bergs, T. (2019). Kernel Selection for Support Vector Machines for System Identification of a CNC Machining Center. IFAC-PapersOnLine, vol. 52, no. 29, pp. 192–198. doi: 10.1016/j.ifacol.2019.12.643.

Komarudin, S.A, Anggraeni, D., Riski, A., dan Hadi, A. F. (2020). Classification of genetic expression in prostate cancer using support vector machine method. J. Phys. Conf. Ser., vol. 1613, no. 1. doi: 10.1088/1742-6596/1613/1/012032.

Kwabena, P. M, Weyori, B. A., dan Abra Mighty, A. (2020). Exploring the performance of LBP-capsule networks with K-Means routing on complex images. J. King Saud Univ. - Comput. Inf. Sci., no. xxxx. doi: 10.1016/j.jksuci.2020.10.006.

Muqeet, M. A. dan Holambe, R. S. (2019). Local binary patterns based on directional wavelet transform for expression and pose-invariant face recognition. Appl. Comput. Informatics, vol. 15, no. 2, pp. 163–171. doi: 10.1016/j.aci.2017.11.002.

Ojala, T., Pietikäinen,M., dan Mäenpää, T. (2000). Gray scale and rotation invariant texture classification with local binary patterns. Lect. Notes Comput. Sci. (including Subser. Lect. Notes Artif. Intell. Lect. Notes Bioinformatics).vol. 1842, pp. 404–420, 2000, doi: 10.1007/3-540-45054-8_27.

Shiyam, A.L. (2019). Presensi Mahasiswa Dengan Ekstraksi Fitur Wajah. Artikel Skripsi Universitas Nusantara PGRI Kediri. pp. 1–11.

Theodoridis, S. (2009). Pattern Recognition - minder good. Londo, UK : Elsevier Inc.

Vidya, B.S., dan Chandra, E. (2019). Entropy based Local Binary Pattern (ELBP) feature extraction technique of multimodal biometrics as defence mechanism for cloud storage. Alexandria Eng. J., vol. 58, no. 1, pp. 103–114. doi: 10.1016/j.aej.2018.12.008.

Wang, D. dan Zhao, Y. (2020). Using News to Predict Investor Sentiment: Based on SVM Model. Procedia Comput. Sci., vol. 174, no. 2019, pp. 191–199. doi: 10.1016/j.procs.2020.06.074.

Yin, S dan Yin, J. (2016). Tuning kernel parameters for SVM based on expected square distance ratio. Inf. Sci. (Ny)., vol. 370–371, pp. 92–102. doi: 10.1016/j.ins.2016.07.047.


Refbacks

  • There are currently no refbacks.


Copyright (c) 2021 Nursyiva Irsalinda, Sugiyarto Sugiyarto, Moh. Rusnoto Susanto

Creative Commons License
This work is licensed under a Creative Commons Attribution-ShareAlike 4.0 International License.


Seminar Nasional Hasil Pengabdian Kepada Masyarakat Universitas Ahmad Dahlan
LPPM Universitas Ahmad Dahlan
UAD Kampus 2 Unit B, Jl. Pramuka No.5F, Pandeyan, Kec. Umbulharjo, Kota Yogyakarta, Daerah Istimewa Yogyakarta 55161
Email: lppm@uad.ac.id


p-ISSN: 2686-2972 | e-ISSN: 2686-2964


This work is licensed under a Creative Commons Attribution 4.0 International License